Helvetia-Loge Nr. 1 Zürich

Schweizer Jugend forscht

Helvetia-Loge setzt Sonderpreis aus

helvetia 1

 

«Der Nationale Wettbewerb von Schweizer Jugend forscht SJf bietet dir die ideale Gelegenheit,
dich in dein aktuelles Lieblingsthema zu vertiefen, dieses wissenschaftlich zu untersuchen um
Dich dann mit Jugendlichen aus der ganzen Schweiz zu messen!
Hast du in der Schule oder in der Lehre eine Arbeit verfasst, die du weiterverfolgen möchtest?
Oder beschäftigst du dich in deiner Freizeit leidenschaftlich mit einem Thema, das du gerne
wissenschaftlich vertiefen würdest? Dann ist der Nationale Wettbewerb genau das Richtige für dich!»

In dieser Kurzform wird der seit 50 Jahren durchgeführte Wettbewerb umschrieben.

Gewinner des Sonderpreises der Helvetia-Loge Zürich
Unsere Loge unterstützt „Schweizer Jugend forscht“ indem sie für vorerst drei Jahre einen Sonderpreis
in der Höhe von 10‘000 Franken aussetzt. In diesem Jahr durften die nachstehenden zwei Studierenden
durch unseren Obermeister Hans Hunziker in Bern geehrt werden.


   Kollegium St. Fidelis: Wolfgang Gehrig


Würdigung durch die Expertin: Dr. Yulia Sandamirskaya /Auszug)

Die Arbeit befasst sich mit einem aktuellen Thema der Mustererkennung mit künstlichen neuronalen
Netzen. Eine wenig erforschte Kombination aus kompetitiven Filternetzen und den vorwärts gerichteten
Netzen wurde untersucht. Die kompetitiven Filternetze führen bei manchen Datensätzen zur Minderung
des «Overfitting-Problems». Die Anwendung von Histogrammbasierten Deskriptoren reduziert den
Speicherverbrauch weiter. Obwohl die in der Arbeit erzielte Erkennungsleistung die Leistung von den
konventionellen neuronalen Netzen nicht übertrifft, hat die durchgeführte Forschung neue Erkenntnisse
über die Anwendung von vorgeschalteten Kohonen Netzen gebracht.
Zum besseren “Verständnis” für uns Laien ein kleiner Ausschnitt aus der Beschreibung der Arbeit von Wolfgang Gehrig:

Realisation einer Ziffernerkennung mit einem künstlichen neuronalen Netz

Fragestellung
In dieser Matura-Arbeit wird untersucht, ob vorgeschaltete Kohonennetze das Problem des Overfittings
mindern können und ob durch vorgeschaltete Kohonennetze andere Vorteile, z. B. eine Reduktion des
Arbeitsspeicherverbrauchs, erreicht werden kann.
Ausserdem gibt diese Arbeit einen Überblick über die geschichtliche Entwicklung der OCR-Technologie
und über die Geschichte künstlicher neuronaler Netze. Auch die Funktionsweise künstlicher neuronaler Netze wird erklärt.


Schlussfolgerungen
In meiner Matura-Arbeit konnte ich aufzeigen, dass Kohonennetze zur Minderung von Overfitting
eingesetzt werden können. Vermutlich funktioniert es am besten bei Problemen, bei denen der Input
hochdimensional ist, aber eine niedrigdimensionale Struktur aufweist. Mithilfe von Kohonennetzen
kann die Dimension der Daten reduziert werden. Damit gehen weniger benötigte Hidden-Units und ein
geringerer RAM-Verbrauch einher.
Im nächsten Schritt müsste man untersuchen, welche Voraussetzungen bei einem Problem gegeben
sein müssen, damit vorgeschaltete Kohonennetze eine Verbesserung bringen.
Ausserdem könnte man versuchen, Kohonennetze als Feature-Verstärker einzusetzen. Dazu könnte
man den Output des trainierten Kohonennetzes auf die Trainingsdaten addieren, um auf diese Weise
gemeinsame Features zu verstärken.

 

Lice Cantonal Locarno: Enrico Cavalli

Er erhielt aufgrund seiner Arbeit
«I numeri aleatori e le loro applicazioni in informatica con il metodo Monte Carlo»
ebenfalls den Sonderpreis der Helvetia-Loge.

http://sjf.ch/review-nationaler-wettbewerb-2017/


Beide Gewinner nehmen am Taiwan International Science Fair (TISF 2018) teil!!   Herzliche Gratulation!

https://twsf.ntsec.gov.tw/index.aspx?lang=2